随着应用环境日益复杂,如何提高车载导航系统的可靠性、自主性和抗干扰性就成为人们十分关注的一项研究课题。任何单一导航系统或简单组合的导航系统都难以满足这一要求,多传感器信息融合技术为高质量的导航提供了技术支持。本文以车载组合导航系统为应用背景,以有效提高组合导航系统的精度、实时性为目的,在Bayes估计理论的基础上,提出了几种基于非线性滤波的多模型信息融合算法,并对所提出的方法进行了有效性仿真验证。主要研究内容归纳如下:1.简要介绍了课题研究的背景和意义,分析了组合导航系统的发展现状和趋势,综述了信息融合算法的发展概况及其在组合导航系统中的应用现状。2.分别介绍了惯性导航和GPS导航的工作原理,并研究了GPS系统的定位定向原理和算法。依据GPS和惯性导航系统各自的特点,讨论了将二者进行组合的优势,建立了GPS/INS组合导航系统的数学模型。3.针对EKF算法存在的局部线性化模型精度较差的问题,本文将多模型算法和EKF滤波算法相结合,在状态估计附近的多个点进行线性化得到一组线性化模型,利用扩展卡尔曼滤波得到每个模型的状态估计,然后再对多个线性化模型估计进行概率加权融合得到最终的融合结果,仿真结果验证了算法的有效性。4.由于系统及环境等因素使系统噪声和观测噪声的变化难以确定,影响了UKF算法的精度,本文将UKF与新息滤波多模型算法相结合,针对不同的噪声建立不同的模型,解决了噪声环境复杂的非线性系统动态滤波问题,提高了UKF适应复杂噪声的能力。针对算法的滤波精度和切换速度之间的矛盾,提出了基于马尔可夫参数估计的交互多模型滤波,加快了模型的切换速度,在保证精度的基础上提高了算法的实时性,仿真研究结果验证了算法的有效性。5.粒子滤波能处理任意非线性问题,然而却存在重要性权退化的问题,针对粒子滤波的退化现象,本文提出了改进的粒子滤波算法,考虑了最新的量测信息,用UD-EKF产生重要性函数,在一定程度上提高了滤波精度。为应对复杂噪声的情况,本文将改进粒子滤波与多模型滤波算法,提高了系统的滤波精度,仿真结果验证了算法的有效性。